Сравнительный анализ методов оценки риска банкротства предприятий
Рассмотрена проблема анализа риска банкротства предприятий. Описаны классический метод дискриминантного анализа Е. Альтмана. Проанализированы достоинства и недостатки метода. Дана оценка возможности его применения в Украине. Показан нечетко-множественный подход к оценке риска банкротства. Предложен...
Saved in:
| Published in: | Системні дослідження та інформаційні технології |
|---|---|
| Date: | 2009 |
| Main Authors: | , , |
| Format: | Article |
| Language: | Russian |
| Published: |
Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
2009
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/42220 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Сравнительный анализ методов оценки риска банкротства предприятий / Ю.П. Зайченко, С.В. Рогоза, В.А. Столбунов // Систем. дослідж. та інформ. технології. — 2009. — № 3. — С. 7–20. — Бібліогр.: 6 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860058493352935424 |
|---|---|
| author | Зайченко, Ю.П. Рогоза, С.В. Столбунов, В.А. |
| author_facet | Зайченко, Ю.П. Рогоза, С.В. Столбунов, В.А. |
| citation_txt | Сравнительный анализ методов оценки риска банкротства предприятий / Ю.П. Зайченко, С.В. Рогоза, В.А. Столбунов // Систем. дослідж. та інформ. технології. — 2009. — № 3. — С. 7–20. — Бібліогр.: 6 назв. — рос. |
| collection | DSpace DC |
| container_title | Системні дослідження та інформаційні технології |
| description | Рассмотрена проблема анализа риска банкротства предприятий. Описаны классический метод дискриминантного анализа Е. Альтмана. Проанализированы достоинства и недостатки метода. Дана оценка возможности его применения в Украине. Показан нечетко-множественный подход к оценке риска банкротства. Предложен метод анализа риска банкротства предприятий на основе использования нечетких нейросетей с различными алгоритмами нечеткого вывода. Приводятся результаты сравнительного анализа различных методов в задаче оценки риска банкротства.
Розглянуто проблему аналізу ризику банкрутства підприємств. Описано класичний метод дискримінантного аналізу Е. Альтмана. Проаналізовано достоїнства та недоліки методу. Наведено оцінку можливості його застосування в Україні. Показано нечітко-множинний підхід до оцінки ризику банкрутства. Запропоновано метод аналізу ризику банкрутства підприємств на основі використання нечітких нейронних мереж із різними алгоритмами нечіткого висновку. Наведено результати порівняльного аналізу різних методів у задачі оцінки ризику банкрутства.
The problem of analysis bankruptcy risk of enterprises is considered. Altmann’s classical method of discriminate analysis is described, and its highs and lows are analized. Possibility of its application to the Ukrainian economy is estimated. Furthermore, the fuzzy sets approach to bankruptcy risk analysis is described. The application of fuzzy neural networks with different algorithms of fuzzy inference is considered. The results of comparative investigations of different methods for bankruptcy analysis are presented.
|
| first_indexed | 2025-12-07T17:03:06Z |
| format | Article |
| fulltext |
© Ю.П. Зайченко, С.В. Рогоза, В.А. Столбунов, 2009
Системні дослідження та інформаційні технології, 2009, № 3 7
TIДC
ПРОГРЕСИВНІ ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ,
ВИСОКОПРОДУКТИВНІ КОМП’ЮТЕРНІ
СИСТЕМИ
УДК 519.8
СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ ОЦЕНКИ РИСКА
БАНКРОТСТВА ПРЕДПРИЯТИЙ
Ю.П. ЗАЙЧЕНКО, С.В. РОГОЗА, В.А. СТОЛБУНОВ
Рассмотрена проблема анализа риска банкротства предприятий. Описаны
классический метод дискриминантного анализа Е. Альтмана. Проанализиро-
ваны достоинства и недостатки метода. Дана оценка возможности его приме-
нения в Украине. Показан нечетко-множественный подход к оценке риска
банкротства. Предложен метод анализа риска банкротства предприятий на ос-
нове использования нечетких нейросетей с различными алгоритмами нечетко-
го вывода. Приводятся результаты сравнительного анализа различных методов
в задаче оценки риска банкротства.
ВВЕДЕНИЕ
Одна из актуальных проблем стратегического менеджмента и планирова-
ния — оценка риска банкротства предприятия (корпорации) на основе ана-
лиза его финансового состояния. Своевременное выявление признаков воз-
можного банкротства позволяет руководству принимать срочные меры по
исправлению финансового состояния и снижению риска банкротства.
Понятие банкротства органично присуще современным рыночным от-
ношениям. Оно характеризует несостоятельность предприятия (организа-
ции) удовлетворить требования кредиторов относительно оплаты товаров,
работ, услуг, а также обеспечить обязательные платежи в бюджет и вне-
бюджетные фонды. Закон Украины «О возобновлении платежеспособности
должника или признания его банкротом» под банкротством понимает при-
знанную хозяйственным судом несостоятельность должника возобновить
свою платежеспособность и удовлетворить признанные судом требования
кредиторов не иначе, как через применение ликвидационной процедуры.
Анализ зарубежной практики свидетельствует, что в странах с развитой
рыночной экономикой и постоянной политической системой, как правило,
1/3 банкротства вызвана внешними причинами и 2/3 — внутренними.
В течение многих лет классические статистические методы широко ис-
пользовались для прогнозирования рисков банкротства. Эти модели также
имеют название одномерных (single-period) методов классификации, или
статистических моделей. Они содержат процедуру классификации, которая
с определенной мерой точности относит ту или иную компанию к группе
Ю.П. Зайченко, С.В. Рогоза, В.А. Столбунов
ISSN 1681–6048 System Research & Information Technologies, 2009, № 3 8
потенциальных банкротов или к группе компаний с благоприятным финан-
совым положением. Применение таких моделей может вызвать два типа
ошибок.
Ошибка первого типа — фирма-банкрот классифицируется как фирма с
благоприятным финансовым положением.
Ошибка второго типа — предприятие с нормальным финансовым со-
стоянием классифицируется как потенциальный банкрот.
Обе ошибки могут привести к серьезным последствиям и убыткам. На-
пример, если кредитное учреждение откажет компаниям со «здоровой» фи-
нансовой ситуацией в предоставлении кредита в связи с допущением ошиб-
ки второго типа, то это может привести к потерям будущей прибыли этой
компанией. Такую ошибку часто называют коммерческим риском. И на-
оборот, если кредитное учреждение примет решение о предоставлении кре-
дита компании, которая является потенциальным банкротом (ошибка перво-
го типа), то это может привести к потерям процентов по кредиту,
значительной части ссудных средств, альтернативной стоимости и т.д. По-
этому такую ошибку называют кредитным риском.
В настоящее время существует несколько общепризнанных методов и
методик оценки риска банкротства. Наиболее известной и широко приме-
няемой является методика Е. Альтмана [1, 2].
Z-модель Альтмана представляет собой статистическую модель, кото-
рая на основе оценки показателей финансового состояния и платежеспособ-
ности компании позволяет оценить риск банкротства и разделить хозяйст-
венные субъекты на потенциальных банкротов и не банкротов. Вместе с
тем, модель Альтмана имеет недостатки, и ее применение для экономики
Украины сопряжено с определенными трудностями. Поэтому в последние
годы разрабатываются альтернативные подходы и методы, учитывающие
специфику анализа и принятия решений в условиях неопределенности. К их
числу относятся аппарат нечетких множеств (НМ) и нечеткие нейронные
сети (ННС).
Цель настоящей работы — сравнительный анализ эффективности при-
менения различных методов и подходов к оценке риска банкротства пред-
приятий применительно к экономике Украины.
МОДЕЛИ ОЦЕНКИ РИСКА БАНКРОТСТВА НА ОСНОВЕ
МНОГОМЕРНОГО ДИСКРИМИНАНТНОГО АНАЛИЗА
Наиболее известная и распространенная модель оценки риска банкротст-
ва — модель Альтмана, построенная с использованием аппарата мультипли-
кативного дискриминантного анализа (МДА), который позволяет подобрать
такие показатели, дисперсия которых между группами была бы максималь-
ной, а внутри группы — минимальной. В данном случае классификация
проводилась по двум группам компаний, одни из которых позднее обанкро-
тились, а другие, наоборот, смогли выстоять и упрочить свое финансовое
положение.
В результате МДА построена модель Альтмана (Z-счет) [2]
54321 0,26,03,34,12,1 KKKKKZ ++++= , (1)
Сравнительный анализ методов оценки риска банкротства предприятий
Системні дослідження та інформаційні технології, 2009, № 3 9
где 1K — собственный оборотный капитал/ сумма активов; 2K — неинве-
стированная прибыль/ сумма активов; 3K — прибыль до уплаты процентов/
сумма активов; 4K — рыночная стоимость собственного капитала/ стои-
мость заемного капитала; 5K — объем продаж/ сумма активов.
В результате подсчета Z - показателя для конкретного предприятия де-
лается заключение:
81,1<Z — очень высокая вероятность банкротства;
7,281,1 ≤≤ Z — высокая вероятность банкротства;
99,27,2 ≤≤ Z — возможно банкротство;
0,3≥Z — вероятность банкротства крайне мала.
Модель Альтмана дает достаточно точный прогноз вероятности банк-
ротства с временным интервалом 1-2 года.
В результате дискриминантного анализа финансовых показателей
группы предприятий, заявивших о своем банкротстве, взятых за год до де-
фолта, было верно спрогнозировано банкротство в 31 случае из 33 (94,5%),
и в 2 — сделана ошибка (6%). По второй группе предприятий, которые не
обанкротились, модель ошибочно спрогнозировала банкротство только в
1 случае (3%), а в остальных 32 (97%) была допущена очень низкая ве-
роятность банкротства, что и подтвердилось фактически (табл. 1).
Т а б л и ц а 1 . Результаты прогноза по модели Альтмана за год до бан-
кротства
Группа Количество
компаний
Прогноз:
принадлежность
к первой группе
Прогноз:
принадлежность
ко второй группе
Первая
(обанкротившиеся
компании)
33 31(94,0%) 2 (6,0%)
Вторая
(компании, которые
не обанкротились)
33 1(3,0%) 32 (97,0%)
Аналогичные расчеты проведены на основе финансовых показателей за
два года до банкротства. Результаты оказались размытыми (табл. 2), осо-
бенно по группе предприятий, заявивших о своем дефолте, тогда как по вто-
рой группе достоверность расчетов осталась приблизительно на том же уро-
вне. Общая точность классификации по модели Альтмана составляет 95 %
за год и 82% за два года до банкротства.
Т а б л и ц а 2 . Результаты прогноза по модели Альтмана (за два года до
банкротства)
Группа Количество
компаний
Прогноз:
принадлежность
к первой группе
Прогноз:
принадлежность
ко второй группе
Первая
(обанкротившиеся
компании)
33 23(72,0%) 9 (28,0%)
Вторая
(компании, которые
не обанкротились)
33 2(6,0%) 31(94,0%)
Ю.П. Зайченко, С.В. Рогоза, В.А. Столбунов
ISSN 1681–6048 System Research & Information Technologies, 2009, № 3 10
Учитывая то, что приведенный выше Z-счет пригоден лишь для боль-
ших предприятий, акции которых котируются на бирже, в 1985 г.
Е. Альтман предложил новую модель, позволяющую исправить данный не-
достаток. Определение вероятности прогнозирования банкротства для пред-
приятий, акции которых не представлены на бирже, запишем как
54321 995,042,0107,3847,0717,0 KKKKKZ ++++= , (2)
где 4K — балансовая стоимость собственного капитала по отношению к
одолженному.
При 23,1<Z риск банкротства очень большой. Подход Альтмана мно-
гократно использован самим Е. Альтманом и его последователями во мно-
гих странах (Великобритания, Франция, Бразилия, Китай и др.).
Примером применения модели Альтмана являются результаты иссле-
дований самим автором 86 компаний-банкротов за 1969 – 1975 гг., 110 за
1976 – 1995 гг. и 120 за 1997 – 1999 гг. С использованием порогового значе-
ния 2,675 точность применения метода была от 82% до 96%. При повторном
тесте модели, который базировался на одном финансовом периоде, точность
была 80–90% (табл. 3).
Т а б л и ц а 3 . Точность классификации банкротства по модели Альтмана
Количество лет до
банкротства 1969 – 1975 гг. 1976 – 1995 гг. 1997 – 1999 гг.
1 82%(75%) 85%(78%) 94%(84%)
2 68% 75% 74%
Пороговое значение 2,67
(в скобках точность классификации для порогового значения 1,81)
Подход Альтмана на основе многомерного дискриминантного анализа
далее был развит другими исследователями. К числу известных моделей
прогнозирования риска банкротства относятся такие.
Модель Лиса
4321 001,0057,0092,0063,0 KKKKZ +++= , (3)
где 1K — оборотный капитал / сумма активов; 2K — прибыль от реализа-
ции/сумма активов; 3K — нераспределенная прибыль/ сумма активов;
4K — рыночная стоимость собственного капитала/заемный капитал.
При 037,0<Z высока вероятность банкротства.
Модель Спрингейта
DCBAZ 4,066,007,33,1 +++= , (4)
где A — оборотный капитал / общая стоимость активов; B — прибыль до
уплаты налогов / общая стоимость активов; C — прибыль до уплаты нало-
гов / краткосрочные обязательства; D — объем продаж/ общая стоимость
активов.
Если значение Z меньше 0,862, то предприятие является потенциаль-
ным банкротом с вероятностью 92%. Если 0<Z , то предприятие — банкрот.
Сравнительный анализ методов оценки риска банкротства предприятий
Системні дослідження та інформаційні технології, 2009, № 3 11
В последние годы выполнены исследования по применению модели
Альтмана для стран СНГ с переходной экономикой. При этом коэффициен-
ты модели должны были быть скорректированы с учетом специфики данно-
го типа экономики. К числу наиболее успешных моделей относится модель
Давыдовой-Беликова, разработанная для экономики России [3].
Модель Давыдовой–Беликова
4321 63,0054,038,8 KKKKR +++= , (5)
где 1K — отношение оборотного капитала к сумме всех активов; 2K — от-
ношение чистой прибыли к сумме собственного капитала; 3K — отношение
дохода (выручки от реализации) к сумме активов (коэффициент оборачи-
ваемости); 4K — отношение чистой прибыли к себестоимости.
При 0<R вероятность банкротства максимальная (90–100 %);
18,00 << R — высокая (60–80 %); 32,018,0 << R — средняя (35–50 %);
42,032,0 << R — низкая (15–20 %); 42,0>R — минимальная.
Применение модели MDA начинается с нескольких предположений.
Первое заключается в том, что входные данные дихотомические, т.е. группы
являются непересекающимися.
MDA базируется на следующих ограничениях:
• независимые переменные, включенные в модель, нормально распре-
делены;
• матрицы дисперсий и ковариаций группы успешных компаний и
банкротов равны;
• стоимость неправильной классификации и априорная вероятность
неудачи определены.
На практике данные очень редко удовлетворяют всем трем названным
выше предположениям, потому часто применение MDA происходит неадек-
ватным образом и правильность результатов, полученных после его приме-
нения, сомнительна.
Слабая сторона модели Альтмана состоит в том, что модель является
чисто эмпирической, подогнанной по выборке, и не имеет под собой само-
стоятельной теоретической базы. Кроме того, приведенные коэффициенты
должны определяться для различных отраслей промышленности и будут,
естественно, различаться.
В экономике Украины модель Альтмана пока не получила широкого
применения по следующим причинам.
1. Требуется вычисление соответствующих коэффициентов при показа-
телях iK , 5,1=i , которые отличаются от их значений для зарубежных
стран.
2. Информация о финансовом состоянии анализируемых предприятий,
как правило, недостоверна, руководство ряда предприятий сознательно под-
правляет свои показатели в финансовых отчетах, что делает невозможным
нахождение достоверных оценок коэффициентов в Z -модели.
Поэтому задача оценки вероятности риска банкротства должна решать-
ся в условиях неопределенности, неполноты исходной информации, и для ее
Ю.П. Зайченко, С.В. Рогоза, В.А. Столбунов
ISSN 1681–6048 System Research & Information Technologies, 2009, № 3 12
решения предлагается использовать адекватный аппарат принятия реше-
ний — НМ и ННС.
КОМПЛЕКСНАЯ ОЦЕНКА РИСКА БАНКРОТСТВА КОРПОРАЦИИ НА
ОСНОВЕ АППАРАТА НМ
Рассмотрим матричный метод прогнозирования банкротства корпораций на
основе аппарата НМ, предложенный О.А. Недосекиным [5,6].
1. Эксперт строит лингвистическую переменную со своим терм-
множеством значений. Например, уровень менеджмента может иметь сле-
дующее терм-множество значений: очень низкий, низкий, средний, высо-
кий, очень высокий.
2. Для того чтобы конструктивно описать лингвистическую перемен-
ную, эксперт выбирает соответствующий количественный признак, напри-
мер, сконструированный специальным образом показатель уровня менедж-
мента, который принимает значения от нуля до единицы.
3. Далее эксперт каждому значению лингвистической переменной,
которая по построению
является нечетким под-
множеством (НП) значе-
ний интервала ]1,0[ , ста-
вит в соответствие функ-
цию принадлежности того
или иного НМ. Как прави-
ло, это трапециедальная
функция принадлежности.
Верхнее основание трапе-
ции соответствует полной
уверенности эксперта в
правильности классифи-
кации, а нижнее — уверенности в том, что никакие иные значения интерва-
ла ]1,0[ не попадают в выбранное НМ (рис. 1.).
На этом описание лингвистических переменных заканчивается.
НМ метод, известный также как матричный метод, состоит из следую-
щих этапов.
Этап 1. Лингвистические переменные и НМ
1.1. Лингвистическая переменная Е «Состояние предприятия» имеет
пять значений НП состояний:
1E — предельное неблагополучие;
2E — неблагополучие;
3E — средний уровень;
4E — относительное благополучие;
5E — предельное благополучие.
Рис. 1. Трапециедальная функция принадлежности
0,2 0,4 0,6 0,8
X
0,2
0,4
0,6
0,8
1,0
1,2
0 1
Сравнительный анализ методов оценки риска банкротства предприятий
Системні дослідження та інформаційні технології, 2009, № 3 13
1.2. Соответствующая переменной E лингвистическая переменная G
«Риск банкротства» также имеет пять значений НП состояний:
1G — предельный риск банкротства;
2G — высокая степень риска банкротства;
3G — средняя;
4G — низкая;
5G — незначительный риск.
Носитель множества G — показатель степени риска банкротства g
принимает значения от нуля до единицы по определению.
1.3. Для отдельного финансового показателя или показателя управле-
ния iX задаем лингвистическую переменную iB «Уровень показателя
iX » на следующем терм-множестве значений:
1iB — очень низкий уровень показателя iX ;
2iB — низкий;
3iB — средний;
4iB — высокий;
5iB — очень высокий.
Этап 2. Показатели. Построим набор отдельных показателей }{ iXX =
общим числом N , которые, по мнению эксперта, с одной стороны, влияют
на оценку риска банкротства предприятия, а с другой — оценивают разные
по природе стороны деловой и финансовой жизни предприятия. Например, в
матричном методе используются такие коэффициенты [5]:
• 1X — автономии (отношение собственного капитала к валюте ба-
ланса);
• 2X — обеспечения оборотных активов собственными средствами
(отношение чистого оборотного капитала к оборотным активам);
• 3X — промежуточной ликвидности (отношение суммы денежных
средств и дебиторской задолженности к краткосрочным пассивам);
• 4X — абсолютной ликвидности (отношение суммы денежных
средств к краткосрочным пассивам);
• 5X — оборачиваемость всех активов за год (отношение выручки от
реализации к средней выручке за период стоимости активов);
• 6X — рентабельность всего капитала (отношение чистой прибыли к
средней за период стоимости активов).
Этап 3. Значимость показателей. Поставим в соответствие каждому
показателю iX уровень его значимости ir . Для того чтобы оценить этот
уровень, необходимо поставить все показатели в порядке уменьшения их
значимости для выполнения соотношения
Nrrr ≥≥≥ …21 .
Если система показателей проранжирована в порядке уменьшения их
значимости, то вес i-го показателя ir необходимо олределять по правилу
Фишберна
Ю.П. Зайченко, С.В. Рогоза, В.А. Столбунов
ISSN 1681–6048 System Research & Information Technologies, 2009, № 3 14
NN
iNri 1)(
1)(2
+
+−
= . (6)
Если все показатели имеют одинаковый вес, то Nri /1= .
Этап 4. Классификация степени риска. Построим классификацию те-
кущего значения g показателя степени риска как критерий разбиения этого
множества на НП (табл. 4).
Таблица 4. Классификация степени риска
Интервал значений g Классификация
уровня параметра
Степень оценочной уверенности
(функция принадлежности)
15,00 ≤≤ g 5G 1
5G )25,0(105 g−×=µ
25,015,0 << g
4G 451 µµ =−
35,025,0 ≤≤ g 4G 1
4G )45,0(104 g−×=µ
45,035,0 << g
3G 341 µµ =−
55,045,0 ≤≤ g 3G 1
3G )65,0(103 g−×=µ
65,055,0 << g
2G 231 µµ =−
75,065,0 ≤≤ g 2G 1
2G )85,0(102 g−×=µ
85,075,0 << g
1G 121 µµ =−
0,185,0 ≤≤ g 1G 1
Этап 5. Классификация значений показателей. Построим классифи-
кацию текущих значений показателей X как критерий разбиения полного
множества их значений на НП вида B . Один из примеров такой классифи-
кации в табл. 5, где приведены трапециедальные нечеткие числа, которые
характеризуют соответствующие функции принадлежности.
Т а б л и ц а 5 . Классификация отдельных финансовых показателей
Т-числа {γ} для значений лингвистической переменной
«Величина параметра»
П
ок
аз
ат
ел
ь
Очень
низкий Низкий Средний Высокий Очень
высокий
Х1 (0,0; 0,1; 0,2) (0,1; 0,2; 0,25; 0,3) (0,25; 0,3; 0,45; 0,5) (0,45; 0,5; 0,6; 0,7) (0,6; 0,7; 1; 1)
Х2 (–1;–1; –0,005; 0) (–0,005; 0; 0,09; 0,11) (0,09; 0,11; 0,3; 0,35) (0,3; 0,35; 0,45; 0,5) (0,45; 0,5; 1; 1)
Х3 (0,0; 0,5; 0,6) (0,5; 0,6; 0,7; 0,8) (0,7; 0,8; 0,9; 1) (0,9; 1;1,3; 1,5) (1,3; 1,5; ∞; ∞)
Х4 (0,0; 0,02; 0,03) (0,02; 0,03; 0,08; 0,1) (0,08; 0,1; 0,3; 0,35) (0,3; 0,35; 0,5; 0,6) (0,5; 0,6; ∞; ∞)
Х5 (0,0; 0,12; 0,14) (0,12; 0,14; 0,18; 0,2) (0,18; 0,2; 0,3; 0,4) (0,3; 0,4; 0,5; 0,8) (0,5; 0,8; ∞; ∞)
Х6 (–∞; –∞; 0,0) (0,0; 0,006; 0,01) (0,006;0,01;0,06; 0,1) (0,06;0,1;0,225; 0,4) (0,225;0,4;∞; ∞)
Сравнительный анализ методов оценки риска банкротства предприятий
Системні дослідження та інформаційні технології, 2009, № 3 15
Этап 6. Оценка уровня показателей. Проведем оценку текущего
уровня показателей и сведем полученные результаты в табл. 6.
Т а б л и ц а 6 . Текущий уровень показателей
Показатель 1X ... iX ... NX
Текущее значение 1x ... ix ... Nx
Этап 7. Классификация уровня показателей. Проведем классифика-
цию текущих значений x по критерию таблицы, построенной на этапе 5.
Результатом проведенной классификации есть таблица значений ijλ —
уровней принадлежности носителя ix НП jB .
Этап 8. Оценка степени риска. Выполним вычислительные операции
для оценки степени риска банкротства g .
∑∑
==
=
N
i
iji
j
j rgg
1
5
1
λ , (7)
где
)1(2,09,0 −∗−= jg j . (8)
Смысл применения формул (7) и (8) состоит в следующем. Сначала мы
оцениваем вес того или иного подмножества из B в оценке состояния кор-
порации E и в оценке степени риска G . Эти веса далее принимают участие
во внешней сумме для определения среднего значения показателя g , где
jg есть не что иное, как средняя оценка g из соответствующего диапазона
табл. 4 этапа 4.
Этап 9. Лингвистическое распознавание. Классифицируем получен-
ное значение степени риска на базе данных табл. 4. Результатом классифи-
кации являются лингвистическое описание степени риска банкротства и
степени уверенности эксперта в правильности его классификации.
Основные достоинства НМ матричного метода состоят в
1) возможности использования, кроме количественных, и качественных
факторов;
2) учете неточной, приблизительной информации о значениях факторов.
ПРИМЕНЕНИЕ ННС ДЛЯ АНАЛИЗА РИСКА БАНКРОТСТВА
Для анализа риска банкротства в качестве классификаторов применены так-
же ННС Цукамото, Мамдани и ANFIS. Подробное описание алгоритмов ра-
боты этих сетей приводится в работе [4]. В качестве входных данных ис-
пользовались разные наборы финансовых показателей предприятий,
полученные по данным Госкомстата Украины. Таким образом, количество
входных нейронов равняется количеству показателей в соответствующем
наборе, выходных — количеству классов, т.е. имеем два выходных нейрона.
База правил состояла из нечетких правил вида ЕСЛИ-ТО с гауссовски-
ми функциями принадлежности, выбор которых обусловлен их непрерывно-
Ю.П. Зайченко, С.В. Рогоза, В.А. Столбунов
ISSN 1681–6048 System Research & Information Technologies, 2009, № 3 16
стью, точнее дифференцированностью в каждой точке, позволяющей гаран-
тировать сходимость процесса обучения (градиентного алгоритма). Были
проведены эксперименты с разным количеством правил (20, 30, 40), пара-
метры которых настраивались в процессе обучения. Первичная выборка
разбивалась на учебную и проверочную. Кроме того, для большей надежно-
сти процесс обучения осуществлялся на нескольких окнах данных.
ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ
В данной работе для анализа эффективности прогнозирования методами
дискриминантного анализа, анализа на основе НМ, предложенного
А.О. Недосекиным, а также ННС взяты финансовые показатели 56 предпри-
ятий Украины, 13 из которых в 2006 г. признаны арбитражным судом бан-
кротами. Другие предприятия выбирались случайно. Финансовые показате-
ли взяты из годовых балансов и годовых отчетов о финансовых результатах
за 2003, 2004 и 2005 гг. Были проведены эксперименты по классификации
предприятий относительно риска банкротства с использованием ННС с ло-
гическими выводами Мамдани, Цукамото и Сугено.
Сначала проводился анализ риска банкротства на базе следующих по-
казателей (набор 1):
1) отношение оборотного капитала к общей стоимости активов;
2) чистой прибыли к общей стоимости активов;
3) чистой выручки от реализации к общей стоимости активов;
4) уставного капитала к сумме задолженности;
5) дохода от реализации к общей стоимости активов.
Обучение осуществлялось в несколько этапов продолжительностью в
100 эпох.
Итоговые результаты приведены на рис. 2.
Далее набор показателей был изменен таким образом (набор 2):
1) отношение чистого оборотного капитала к общей стоимости активов;
2) отношение прибыли к собственному капиталу;
Рис. 2. Результаты прогнозирования банкротства различными методами для
набора 1
72%
74%
76%
78%
80%
82%
84%
86%
88%
90%
20 30 40 20 30 40 20 30 40
Цукамото Мамдані ANFIS
Обучающая
выборка
Проверочная
выборка
МамданиЦукамото ANFIS
%
Сравнительный анализ методов оценки риска банкротства предприятий
Системні дослідження та інформаційні технології, 2009, № 3 17
3) коэффициент оборотных активов;
4) норма прибыли.
Соответствующие результаты приведены на рис. 3.
Затем проводились сравнительные эксперименты по оценке риска бан-
кротства с использованием статистических методов Альтмана [1, 2], Сприн-
гейта и метода Давыдовой–Беликова [3], НМ метода Недосекина [5, 6], а
также ННС с выводом Мамдани, Цукамото и Сугено ( ННС ANFIS). Резуль-
таты этих экспериментов приведены на рис. 4.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ ПРОГНОЗИРОВАНИЯ И СРАВНИТЕЛЬНЫЙ
АНАЛИЗ РАССМОТРЕННЫХ МЕТОДОВ
1. Методом, который спрогнозировал банкротство с максимальной
точностью (без учета результатов ННС), оказался матричный метод Недосе-
кина. Точность прогнозирования составила 80% за два года до банкротства
и 87 % за год до дефолта. Такой результат вполне закономерен, так как мат-
ричный метод, базирующийся на использовании теории НМ, лучше прогно-
зирует при условиях неопределенности, неоднородности данных, а также
учитывает субъективные оценки экспертов. Но, несмотря на наилучший ре-
зультат, матричный метод имеет довольно большую ошибку прогнозирова-
ния (20% за два года и 13% за год до дефолта). Это обусловлено входными
данными, поскольку мы не имеем 100%-ной уверенности в правильном раз-
биении всей выборки на банкроты и успешные предприятия. Ведь прове-
рочная выборка может иметь определенные неточности, которые влияют на
величину ошибок.
2. Среди статистических моделей наилучший прогноз, а точнее, клас-
сификацию, дает модель, разработанная русскими учеными Г.В. Давыдовой
и А.Ю. Беликовым. Точность прогнозирования составила 73,5% за три года
до банкротства, 78% и 85% за два и за год до дефолта, соответственно.
Результат обусловлен адаптированностью данной модели к условиям пере-
ходной экономики, в отличие от модели Альтмана и Спрингейта, которые
строились на базе американских компаний.
Рис. 3. Результаты прогнозирования риска банкротства для набора 2
Обучающая
выборка
Проверочная
выборка
МамданиЦукамото Anfis
76%
78%
80%
82%
84%
86%
88%
90%
92%
20 30 40 20 30 40 20 30 40
Цукамото Мамдані ANFIS
%
МамданиЦукамото ANFIS
Ю.П. Зайченко, С.В. Рогоза, В.А. Столбунов
ISSN 1681–6048 System Research & Information Technologies, 2009, № 3 18
Н
аб
ор
1
Н
аб
ор
2
Н
аб
ор
3
а б в
ANFIS
Мамдани
Цукамото
Недосекина
Давыдовой
Спрингейт
Альтман
ANFIS
Мамдани
Цукамото
Недосекина
Давыдовой
Спрингейт
Альтман
ANFIS
Мамдани
Цукамото
Недосекина
Давыдовой
Спрингейт
Альтман
ANFIS
Мамдани
Цукамото
Недосекина
Давыдовой
Спрингейт
Альтман
ANFIS
Мамдани
Цукамото
Недосекина
Давыдовой
Спрингейт
Альтман
ANFIS
Мамдани
Цукамото
Недосекина
Давыдовой
Спрингейт
Альтман
ANFIS
Мамдани
Цукамото
Недосекина
Давыдовой
Спрингейт
Альтман
ANFIS
Мамдани
Цукамото
Недосекина
Давыдовой
Спрингейт
Альтман
ANFIS
Мамдани
Цукамото
Недосекина
Давыдовой
Спрингейт
Альтман
Ри
с.
4
. С
ра
вн
ен
ие
р
ез
ул
ьт
ат
ов
о
це
нк
и
ри
ск
а б
ан
кр
от
ст
ва
р
аз
ли
чн
ым
и
ме
то
да
ми
: а
—
ч
ис
ло
п
ра
ви
л
20
; б
—
3
0;
в
—
4
0
Сравнительный анализ методов оценки риска банкротства предприятий
Системні дослідження та інформаційні технології, 2009, № 3 19
3. Все статистические модели показали довольно большую ошибку
прогнозирования (в пределах 22…41%). Это ставит под вопрос целесооб-
разность использования данных моделей для анализа финансового состоя-
ния украинских предприятий. Основными причинами такой погрешности
есть неадаптированность моделей к условиям украинской экономики, пред-
положение относительно однородности, независимости и стационарности
данных, которые в данном случае не выполняются вследствие неоднород-
ной выборки предприятий, а также того, что статистические модели лишь
анализируют текущее финансовое состояние предприятий и не учитывают
динамики изменения показателей во времени.
Итак, для прогнозирования банкротства украинских предприятий пред-
почтительней использование матричного метода Недосекина. Для повыше-
ния точности прогнозирования необходимо проводить его на основе не
только количественных, но и качественных характеристик, а также с помо-
щью экспертов проанализировать все показатели предприятия и определить
классификацию этих показателей (разбивка на нечеткие подмножества) для
конкретного предприятия, учитывая его специфику и специфику отрасли, к
которой оно относится. Для более всесторонней оценки можно применить
объединение статистических методов с матричным.
4. Далее с помощью разработанного программного пакета был прове-
ден анализ финансового состояния 56 предприятий Украины, 13 из которых
в 2006 г. арбитражным судом были признаны банкротами. На такой выборке
классификация с помощью ННС Цукамото, Мамдани и ANFIS на разных
наборах данных не принесла желаемых результатов. Точность классифика-
ции составляла в среднем 80–85% на обучающих и тестовых выборках. Та-
кие результаты были обусловлены прежде всего тем, что среди предприятий
оказались потенциальные банкроты, о состоянии которых свидетельствова-
ли их финансовые показатели, но судом они банкротами по той или иной
причине признаны не были.
Поэтому был применен алгоритм нечеткой самоорганизации Густафсо-
на–Кесселя, который помог выявить такие предприятия. В результате полу-
чена новая выборка уже с 25-ю банкротами и 31-м небанкротом. Результаты
классификации с помощью упомянутых выше ННС на этой выборке значи-
тельно улучшились. Средняя точность выросла до 90–93% на обучающих и
тестовых выборках (рис. 4).
ВЫВОДЫ
1. Рассмотрены различные методы оценки риска банкротства предпри-
ятий: классический метод дискриминантного анализа Альтмана, нечетко-
множественный метод Недосекина, ННС с различными алгоритмами выво-
да.
2. Проведены сравнительные экспериментальные исследования ука-
занных выше методов применительно к анализу риска банкротства пред-
приятий Украины.
3. Проведенные эксперименты показали, что наиболее предпочтитель-
ными для оценки риска банкротства для украинских предприятий оказались
Ю.П. Зайченко, С.В. Рогоза, В.А. Столбунов
ISSN 1681–6048 System Research & Information Technologies, 2009, № 3 20
ННС с выводом Мамдани, за ними следует матричный метод Недосекина и,
наконец, на последнем месте оказались статистические методы дискрими-
нантного анализа.
Таким образом, в результате проведенных экспериментов установлена
практическая целесообразность применения нечетких методов и ННС для
оценки риска банкротства предприятий Украины.
ЛИТЕРАТУРА
1. Altman E.I. Corporate Financial Distress. — N.Y.: John Wiley, 1983. — 420 p.
2. Altman E.I. Financial Ratios, Discriminant Analysis and the prediction of Corporate
Bankruptcy // Journal of Finance. — 1968, September. — P. 589–609.
3. Давыдова Г.В., Беликов А.Ю. Методика количественной оценки риска бан-
кротства предприятий //Управление риском. — 1999. — № 3. — С. 13–20.
4. Зайченко Ю.П. Основи проектування інтелектуальних систем: Навчальний по-
сібник. — Київ: Видавничий дім «Слово», 2004. — 352 с.
5. Недосекин А.О. Максимов О.Б., Павлов Г.С. Анализ риска банкротства пред-
приятия. Методические указания по курсу «Антикризисное управление. —
http://sedok.narod. ru/sc_ group.htm.
6. Недосекин А.О. Комплексная оценка риска банкротства корпорации на основе
нечетких описаний. — http://sedok.narod. ru/sc_ group.htm.
Поступила 19.11.2008
|
| id | nasplib_isofts_kiev_ua-123456789-42220 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1681–6048 |
| language | Russian |
| last_indexed | 2025-12-07T17:03:06Z |
| publishDate | 2009 |
| publisher | Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України |
| record_format | dspace |
| spelling | Зайченко, Ю.П. Рогоза, С.В. Столбунов, В.А. 2013-03-13T10:41:46Z 2013-03-13T10:41:46Z 2009 Сравнительный анализ методов оценки риска банкротства предприятий / Ю.П. Зайченко, С.В. Рогоза, В.А. Столбунов // Систем. дослідж. та інформ. технології. — 2009. — № 3. — С. 7–20. — Бібліогр.: 6 назв. — рос. 1681–6048 https://nasplib.isofts.kiev.ua/handle/123456789/42220 519.8 Рассмотрена проблема анализа риска банкротства предприятий. Описаны классический метод дискриминантного анализа Е. Альтмана. Проанализированы достоинства и недостатки метода. Дана оценка возможности его применения в Украине. Показан нечетко-множественный подход к оценке риска банкротства. Предложен метод анализа риска банкротства предприятий на основе использования нечетких нейросетей с различными алгоритмами нечеткого вывода. Приводятся результаты сравнительного анализа различных методов в задаче оценки риска банкротства. Розглянуто проблему аналізу ризику банкрутства підприємств. Описано класичний метод дискримінантного аналізу Е. Альтмана. Проаналізовано достоїнства та недоліки методу. Наведено оцінку можливості його застосування в Україні. Показано нечітко-множинний підхід до оцінки ризику банкрутства. Запропоновано метод аналізу ризику банкрутства підприємств на основі використання нечітких нейронних мереж із різними алгоритмами нечіткого висновку. Наведено результати порівняльного аналізу різних методів у задачі оцінки ризику банкрутства. The problem of analysis bankruptcy risk of enterprises is considered. Altmann’s classical method of discriminate analysis is described, and its highs and lows are analized. Possibility of its application to the Ukrainian economy is estimated. Furthermore, the fuzzy sets approach to bankruptcy risk analysis is described. The application of fuzzy neural networks with different algorithms of fuzzy inference is considered. The results of comparative investigations of different methods for bankruptcy analysis are presented. ru Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України Системні дослідження та інформаційні технології Прогресивні інформаційні технології, високопродуктивні комп’ютерні системи Сравнительный анализ методов оценки риска банкротства предприятий Порівняльний аналіз методів оцінки ризику банкрутства підприємств Comparative analysis of methods for evaluation of enterprises bankruptcy risk Article published earlier |
| spellingShingle | Сравнительный анализ методов оценки риска банкротства предприятий Зайченко, Ю.П. Рогоза, С.В. Столбунов, В.А. Прогресивні інформаційні технології, високопродуктивні комп’ютерні системи |
| title | Сравнительный анализ методов оценки риска банкротства предприятий |
| title_alt | Порівняльний аналіз методів оцінки ризику банкрутства підприємств Comparative analysis of methods for evaluation of enterprises bankruptcy risk |
| title_full | Сравнительный анализ методов оценки риска банкротства предприятий |
| title_fullStr | Сравнительный анализ методов оценки риска банкротства предприятий |
| title_full_unstemmed | Сравнительный анализ методов оценки риска банкротства предприятий |
| title_short | Сравнительный анализ методов оценки риска банкротства предприятий |
| title_sort | сравнительный анализ методов оценки риска банкротства предприятий |
| topic | Прогресивні інформаційні технології, високопродуктивні комп’ютерні системи |
| topic_facet | Прогресивні інформаційні технології, високопродуктивні комп’ютерні системи |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/42220 |
| work_keys_str_mv | AT zaičenkoûp sravnitelʹnyianalizmetodovocenkiriskabankrotstvapredpriâtii AT rogozasv sravnitelʹnyianalizmetodovocenkiriskabankrotstvapredpriâtii AT stolbunovva sravnitelʹnyianalizmetodovocenkiriskabankrotstvapredpriâtii AT zaičenkoûp porívnâlʹniianalízmetodívocínkirizikubankrutstvapídpriêmstv AT rogozasv porívnâlʹniianalízmetodívocínkirizikubankrutstvapídpriêmstv AT stolbunovva porívnâlʹniianalízmetodívocínkirizikubankrutstvapídpriêmstv AT zaičenkoûp comparativeanalysisofmethodsforevaluationofenterprisesbankruptcyrisk AT rogozasv comparativeanalysisofmethodsforevaluationofenterprisesbankruptcyrisk AT stolbunovva comparativeanalysisofmethodsforevaluationofenterprisesbankruptcyrisk |